简单复制粘贴是一种强大的实例分割数据增强方法
计算机视觉与模式识别
2021-06-24 v2
摘要
构建数据高效且能处理稀有目标类别的实例分割模型是计算机视觉中的一个重要挑战。利用数据增强是应对该挑战的一个有前景的方向。在此，我们对用于实例分割的复制粘贴增强（[13, 12]）进行了系统研究，即随机将目标粘贴到图像上。先前关于复制粘贴的研究依赖于对粘贴目标周围视觉上下文的建模。然而，我们发现随机粘贴目标的简单机制已足够好，并且能在强基线之上提供稳固的提升。此外，我们表明复制粘贴与通过伪标注（例如自训练）利用额外数据的半监督方法是可叠加的。在COCO实例分割上，我们取得了49.1的mask AP和57.3的box AP，较先前最优结果分别提升+0.6 mask AP和+1.5 box AP。我们进一步证明复制粘贴能在LVIS基准上带来显著改进。我们的基线模型在稀有类别上以+3.6 mask AP优于LVIS 2020挑战赛的获胜方案。
引用
@article{arxiv.2012.07177,
title = {Simple Copy-Paste is a Strong Data Augmentation Method for Instance Segmentation},
author = {Golnaz Ghiasi and Yin Cui and Aravind Srinivas and Rui Qian and Tsung-Yi Lin and Ekin D. Cubuk and Quoc V. Le and Barret Zoph},
journal= {arXiv preprint arXiv:2012.07177},
year = {2021}
}
备注
Accepted at CVPR 2021 (Oral)